Seqüencials i generatius

103 mètodes en aquesta família.

Destacats

Mecanisme d'atencióThe attention mechanism, introduced by Bahdanau, Cho and Bengio in 2015 and refined by Luong, Pham and Manning the same year, lets a sequence decoder dynamically learn which of the AutoencoderAn autoencoder is an encoder-decoder neural network, popularised by Hinton and Salakhutdinov in 2006, that compresses data into a low-dimensional latent code and then reconstructs RNN bidireccionalA Bidirectional RNN, introduced by Schuster and Paliwal in 1997, processes a sequence in both forward and backward directions so that every position has access to its full surround CrossformerCrossformer is a Transformer-based architecture for multivariate time series forecasting, introduced by Yunhao Zhang and Junchi Yan at ICLR 2023. Unlike earlier Transformer variant CycleGAN: Traducció d'imatges no aparellades amb consistència de cicleCycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two DeepARDeepAR is Amazon's industrial forecasting model, introduced by Salinas, Flunkert and Gasthaus (2017; published 2020), that uses an autoregressive recurrent neural network to estima

Reading path

This topic's most-referenced foundational methods, in the order they were developed — a place to start if you're new here.

Xarxa Neuronal Recurrent1986–1990by Rumelhart, D. E.; Elman, J. L.
Long Short-Term Memory (LSTM)1997by Hochreiter, S. & Schmidhuber, J.
Unitat recurrent amb portes (GRU)2014by Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Generative Adversarial Network2014by Goodfellow, I. et al.
Variational Autoencoder2014by Kingma, D. P. & Welling, M.
Transformer afinat2017–2019by Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Multimodal Transformer2019–2021by Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021by Dosovitskiy, A. et al.

all methods on this shelf ↓

Tots els mètodes 103

Mecanisme d'atenció Autoencoder RNN bidireccional Crossformer CycleGAN: Traducció d'imatges no aparellades amb consistència de cicle DeepAR Model de difusió Model de difusió adaptatiu al domini GAN adaptativa al domini GRU adaptatiu al domini Xarxa neuronal recurrent adaptativa al domini Embeddings de frases adaptades al domini Transformer Adaptatiu al Domini Autoencoder Variacional Adaptatiu al Domini Vision Transformer Adaptatiu al Domini Model de Difusió Explicable GAN Explicable GRU Explicable LSTM explicable Xarxa Neuronal Re सुप्रभातcurrente Explicable Transformer Explicable Autoencoder Variacional Explicable FEDformer: Transformer millorat per freqüència per a la descomposició Model de difusió ajustat amb precisió Xarxa Generativa Antagònica Finament Ajustada GRU ajustada (Fine-Tuned GRU)LSTM afinada Xarxa Neuronal Recurrent Finetuned Resum de text amb ajustament fi Transformer afinat Autoencoder Variacional afinat Vision Transformer ajustat (Fine-Tuned Vision Transformer)Unitat recurrent amb portes (GRU)Generative Adversarial Network Graph Attention Network Unitat recurrent amb portes (GRU)Informer iTransformer Models de difusió latents Long Short-Term Memory (LSTM)Longformer / BigBird LSTM Autoencoders emmascarats Moirai: Transformer Universal per a la Predicció de Sèries Temporals Model de difusió multilingüe GAN multilingüe GRU Multilingüe LSTM multilingüe Xarxa Neuronal Re-entrant Multilingüe Resum de text multilingüe Auto-codificador Variacional Multilingüe Vision Transformer multilingüe Model de difusió multimodal GAN multimodal Multimodal GRU LSTM Multimodal Xarxa Neuronal Recurrent Multimodal Multimodal Transformer Autoencodificador Variacional Multimodal Transformador de Visió Multimodal Transformer no estacionari PatchTST Pyraformer Xarxa Neuronal Recurrent Reformer: El Transformer eficient per a seqüències llargues Model generatiu basat en la puntuació SegRNN Autoatenció multi-cap Model de difusió auto-supervisat Self-supervised GAN GRU auto-supervisada Transformer auto-supervisat Autoencoder Variacional Auto-supervisat Vision Transformer auto-supervisat Model de difusió semi-supervisat GAN semi-supervisada GRU semi-supervisada LSTM semi-supervisat Transformer semi-supervisat Autoencoder Variacional Semi-supervisat Vision Transformer Semisupervisat Model Seqüència-a-Seqüència Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE TiRex: Predicció de sèries temporals sense pràctica (zero-shot) amb xLSTM Transfer Learning GAN Aprenentatge per transferència amb un Autoencoder Variacional Aprenentatge per transferència amb models de difusió Aprenentatge per transferència amb LSTM Aprenentatge per transferència amb xarxa neuronal recurrent Variational Autoencoder Vision Transformer Wasserstein GAN (WGAN)Model de difusió feblement supervisat GAN feblement supervisada GRU Supervisat Feblement LSTM supervisat feblement Xarxa Neuronal Recursiva amb Supervisió Feble Transformer amb supervisió feble Autoencoder Variacional feblement supervisat Transformador de Visió amb Supervisió Feble

Més a Aprenentatge profund

Arquitectures i entrenament 124